ESTRANHAR OS ALGORITMOS: STRANGER THINGS E OS PÚBLICOS DE NETFLIX

Revista GEMInIS

Endereço:
Rodovia Washington Luiz, s/n - Universidade Federal de São Carlos – UFSCar (Sala 13, 2º andar CECH)Centro de Educação e Ciências Humanas – CECH - Jardim Guanabara
São Carlos / SP
13565905
Site: http://www.revistageminis.ufscar.br/
Telefone: (16) 3306-6923
ISSN: 2179-1465
Editor Chefe: João Carlos Massarolo
Início Publicação: 31/10/2010
Periodicidade: Quadrimestral
Área de Estudo: Comunicação

ESTRANHAR OS ALGORITMOS: STRANGER THINGS E OS PÚBLICOS DE NETFLIX

Ano: 2017 | Volume: 8 | Número: 1
Autores: Geane Carvalho Alzamora , Tiago Barcelos Pereira Salgado , Emmanuelle C. Dias Miranda
Autor Correspondente: Geane Carvalho Alzamora , Tiago Barcelos Pereira Salgado , Emmanuelle C. Dias Miranda | [email protected]

Palavras-chave: Algoritmo, Ética, Públicos, Netflix, Stranger Things

Resumos Cadastrados

Resumo Português:

Investigamos como se configura a recomendação algorítmica em Netflix a partir da série Stranger Things, destacada por publicações diversas por ter usado dados pessoais de usuários para sua criação e produção. Coletamos 131 comentários de usuários sobre a série em 08/01/2017, analisados à luz dos termos de uso e das políticas de privacidade de Netflix, de notícias e de entrevistas de produtores e diretores. A recomendação de conteúdos e a formação de públicos se baseia em rastros de ações de usuários, arquivados em bancos de dados e cruzados para recomendar títulos, e usados para a criação e a disponibilização de conteúdos originais.



Resumo Inglês:

We investigate how the algorithmic recommendation in Netflix is configured from the series Stranger Things, highlighted by several publications for having used personal data of users for its creation and production. We have collected 131 user comments about the series on 1/8/2017, analyzed in the light of Netflix's terms of use and privacy policies, news and interviews with producers and directors. Content recommendation and publics formation is based on traces of user actions, archived in databases, and cross-referencing to recommend titles, and used to create and make available original content.